معاون تکنولوژی ازکی: چت‌بات ازکی نرخ ارجاع به اپراتور را از ۳۵ درصد به ۹ درصد کاهش داده است

معاون تکنولوژی ازکی، اعلام کرد نسل جدید چت‌بات این پلتفرم توانسته نرخ درخواست مشتریان برای اتصال به اپراتور نیروی انسانی در زمان درخواست پشتیبانی روی سایت را از حدود ۳۵ درصد به ۹ درصد کاهش دهد.

محمود کهنسال، معاون تکنولوژی ازکی، در ابتدای ارائه خود در رویداد «هوش مصنوعی، بازاریابی و تبلیغات» با مرور تاریخچه‌ای کوتاه از هوش مصنوعی گفت: «موج فعلی AI ادامه مسیری است که از ۶۰ تا ۷۰ سال پیش آغاز شده بود. او یادآور شد نخستین ایده‌ها درباره ماشینی که می‌تواند فکر کند دهه‌ها قبل مطرح شده و پس‌ از آن یادگیری ماشین و دیپ‌لرنینگ شکل گرفت.» 

به گفته او نقطه عطف اصلی سال ۲۰۱۷ و معرفی معماری ترانسفورمر بود که مسیر مدل‌های زبانی بزرگ را باز کرد. او با اشاره به سرعت تحول این حوزه گفت: «در سال ۲۰۲۵ دیگر کسی حاضر نیست با GPT-3 کار کند. مدل‌ها با چنان سرعتی جلو می‌روند که محصول‌سازی باید همیشه با نسل جدید همراه شود.»

محمود کهنسال در ادامه به تشریح اکوسیستم جهانی هوش مصنوعی پرداخت. به گفته او این اکوسیستم از ۴ لایه اصلی تشکیل شده است: لایه زیرساخت و سخت‌افزار، لایه مدل‌سازها و مدل‌های بنیادین، لایه محصولات هوش مصنوعی و کاربردها و در نهایت لایه توانمندسازی افراد در نقش‌های فردی و سازمانی‌شان.

او تأکید کرد شرکت‌های بزرگ دنیا بازیگران اصلی دو لایه اول هستند، در حالی که شرکت‌های ایرانی به دلیل محدودیت منابع و مقیاس اقتصادی، منطقی‌تر است که در لایه محصول و تجربه مشتری تمرکز کنند. او اشاره کرد که ساخت مدل‌‌ها از نظر فنی و اقتصادی تقریبا به‌صرفه نیست و ارزش‌آفرینی واقعی در جایی رخ می‌دهد که AI وارد فرایند تصمیم‌گیری و تجربه مشتری شود.

کهنسال با اشاره به داده‌های مک‌کنزی درباره میزان بلوغ شرکت‌ها در بهره‌گیری از هوش مصنوعی گفت: «۸۸ درصد شرکت‌ها به‌نوعی از AI استفاده کرده‌اند اما فقط ۴ درصد آن‌ها به ارزش‌آفرینی پایدار رسیده‌اند.»

معاون تکنولوژی ازکی این وضعیت را شکاف هیجان و ارزش واقعی توصیف کرد و توضیح داد که بسیاری از سازمان‌ها در مرحله آزمایش متوقف می‌شوند.

او سپس به تجربه ازکی در توسعه چت‌بات پرداخت؛ تجربه‌ای که به‌گفته او شامل یک شکست و یک بازگشت بوده است. نخستین نسخه چت‌بات ازکی در سال ۱۴۰۱ و هم‌زمان با موج اولیه ChatGPT ساخته شد. 

کهنسال گفت: «در آن موقع یک تیم روی این پروژه کار می‌کردند اما مدل‌های زبانی آن زمان بالغ نشده بودند. بدون وجود مدل‌های زبانی، همه سطوح مختلف مساله، از تشخیص نیت (Intent Recognition)، یافتن پاسخ و تولید پاسخ انسانی باید در تیم انجام می‌شد که پروژه را بسیار پرهزینه‌تر در اجرا می‌کرد. پس از چند ماه پیش بردن پروژه و بررسی نسخه‌های اولیه از خروجی، تصمیم به توقف پروژه گرفتیم. اما در سال ۱۴۰۳ و با بلوغ مدل‌های زبانی، ازکی به‌جای ساخت مدل جدید، معماری تازه‌ای مبتنی بر LLM و RAG طراحی کرد. این معماری به ما این امکان را می‌داد به اسناد و دانش بیمه‌ای دسترسی داشته باشیم و پاسخ‌ها را دقیق‌تر و کنترل‌پذیرتر تولید کنیم. در نتیجه این بازطراحی کاهش قابل‌توجه نرخ ارجاع به اپراتور را به همراه داشت.»

به گفته کهنسال نرخ درخواست وصل‌شدن به اپراتور از حدود ۳۵ درصد به ۹ درصد رسیده است. او در مورد این نرخ گفت: «این برای ما خوشحال‌کننده است که توانستیم به این نرخ برسیم و تجربه خوبی برای مشتری رقم بزنیم. در این‌جا هوش مصنوعی یک ترند نبود؛ KPI داشت، هزینه را کم کرد و رضایت را بالا برد.»

طبق گفته محمود کهنسال، دومین تجربه ازکی در استفاده از هوش مصنوعی مربوط به پروژه شخصی‌سازی کارت‌های پیشنهاد بیمه در صفحه مقایسه ازکی بوده که ازکی آن را با نام Benefix توسعه داده است.

 کهنسال گفت: «مسئله این بود که پس از استعلام قیمت، تصمیم‌گیری درباره اینکه کدام کارت بیمه‌ای نمایش داده شود و ترتیب نمایش چگونه باشد، تاثیر مستقیم بر نرخ خرید، سطح تخفیف مشتری و حاشیه سود پلتفرم دارد.»

او ادامه داد: «به همین دلیل تیم فنی ازکی ابتدا یک شاخص واحد تحت عنوان مزیت مقایسه‌ای تعریف کرد که ترکیبی از میزان تخفیف دریافتی و نرخ تبدیل بود. سپس داده‌های لازم را ساخت و مدل پیش‌بینی احتمال خرید برای هر کانفیگ را توسعه داد و در ادامه چندین مرحله A/B تست اجرا کرد و در نتیجه این آزمایش‌ها افزایش چندمرحله‌ای شاخص مزیت مقایسه‌ای و بهبودهایی تا حدود ۱۵ درصد نسبت به وضعیت اولیه به همراه داشت.»

او در آخر گفت: «هوش مصنوعی ابزار بازطراحی تجربه مشتری است. هر جا تصمیم‌گیری وجود دارد از پاسخ‌دهی تا قیمت‌گذاری AI می‌تواند ارزش خلق کند، اگر درست و با نگاه ارزش افزوده از آن استفاده شود.»